应用气象学报  2019, 30 (1): 49-60   PDF    
针对模式风场的格点预报订正方案对比
曾晓青, 薛峰, 姚莉, 赵声蓉     
国家气象中心, 北京 100081
摘要: 为了将格点观测融合产品用于模式预报产品的滚动订正中,获得精准的预报效果,使用国家气象信息中心HRCLDAS(High Resolution China Meteorological Administration Land Data Assimilation System)业务系统产生的高频次格点风场融合产品作为实况资料,采用两种风场模型和8种格点误差订正方案,对模式风预报产品进行订正预报试验,试验选择欧洲中期天气预报中心10 m风预报产品的2017年1月1日—2月28日以及2017年6月1日—7月31日两个时间段,进行了预报模拟试验,对8种格点误差订正方案的订正结果进行检验,同时将订正场插值到站点,使用国家级2400个地面气象站风场资料进行站点检验,结果表明:无论从格点还是站点检验的平均绝对偏差、准确率、绝对偏差分布频率结果看,采用基于模式和实况因子的全格点滑动建模订正方案具有最佳的订正效果。
关键词: 风场释用    精细化格点预报    误差订正    
Comparative Study of Different Error Correction Methods on Model Output Wind Field
Zeng Xiaoqing, Xue Feng, Yao Li, Zhao Shengrong     
National Meteorological Center, Beijing 100081
Abstract: The meshing forecast products is an important direction for the future development of China Meteorological Administration. With the development of the grid forecast business and approaching of Beijing Olympic Winter Games in 2022, the forecast of the wind is very important. In order to promptly correct forecast results using grid observation fusion products, grid forecasting products with higher resolution and accuracy are obtained, and the high-frequency grid wind fusion products generated by the HRCLDAS (High Resolution China Meteorological Administration Land Data Assimilation System) system of National Meteorological Information Center as observations are studied. Eight different error correction methods and two different wind field models are used to correct European Centre for Medium-Range Weather Forecasts (ECMWF) 10 m wind forecast field. The test sample time is selected from 1 January 2017 to 28 February 2017, and from 1 June 2017 to 31 July 2017, and two forecast simulations are conducted. In each trial, 24 h corrected forecast test is carried out for two start times at 1400 BT and 2000 BT, and eight different correction methods are used to correct the prediction of ECMWF 10 m wind forecast field. Grid forecast verification is performed on grid results. At the same time, grid prediction results from 8 corrected methods is interpolated to 2400 national surface meteorological stations and station forecast verification is performed on grid results. From the grid verification result and site verification result of two trials, using the latest observations as a predictor, wind forecast effects of 3-6 h is significantly improved. For the correction of the wind direction, the correction effects are slightly improved. Results show that the two-factor model with dynamic coefficient has the best correction effects on the average absolute error, accuracy and absolute error distribution frequency of both grid and site test. Sliding modeling allows the correction model to follow the trend of ECMWF 10 m wind forecast system error. After the optimal method is corrected, the wind speed error in most parts of South China, East China and North China is below 1 m·s-1, especially the large error is significantly reduced, and the wind direction error is also reduced. However, there are still some mean absolute error of 1-3 m·s-1 in the Qinghai-Tibet Plateau, central Xinjiang and Inner Mongolia. Due to local effects of the wind, the correction field of the interpolation to the site still has a certain gap with the actual situation of the site. If prediction result fusion technology is carried out, it is expected that there will be better grid prediction results.
Key words: wind grid MOS    accurate and high-resolution grid forecasting    error correction    

引言

随着互联网的快速发展,移动互联网已融入人们的工作和生活中。人们可以利用智能手机中的天气APP(application,应用程序)方便地查询所需天气状况和信息,及时定制或调整未来活动计划。其中,风的预报是精细化预报产品的重要组成部分,也是政府和公众重点关注的预报要素之一。2022年北京冬季奥运会(简称冬奥会)临近,风的预报结果对室外奥运比赛至关重要,大风天气容易导致冬奥会多项赛事受到影响,如2018年2月14日白天韩国江原道地区出现平均风速为10 m·s-1的大风,给平昌冬奥会的赛事运营带来了极大不便。如果能为各机构和公众提供及时准确的风场预报,将会降低灾害风险和损失,提升服务体验,让全社会受益。

为了更好地满足社会需求和完善气象预报产品结构,同时推进精细化气象格点预报业务与技术的发展,将对模式风预报产品释用技术进行研究。数值模式[1]发展至今,系统误差依然存在[2-3]。由于地形的复杂性,数值模式的近地面风场预报效果与实况还有很大差距。数值模式预报结果订正能很好解决部分预报误差问题[4-5]。陈豫英等[6]基于聚类天气分型的KNN(k-nearest neighbor)方法对风的预报进行改进。曾晓青等[7]基于T639模式资料对北京地区20个站点进行风向、风速的MOS研究表明,采用纬向风、经向风建模的风向预报较直接对风向的建模效果更佳。王彬滨等[8]提出一种谐波分析与人工神经网络相结合的24 h短期风速数值预报的订正方法,订正试验结果表明:订正后的风速预报的系统性偏差下降明显。石岚等[9]对与风速相关度高的风机区域进行划分后,引入测风塔的观测产品进行风场订正,对于提高风电场风速预报及功率预测精度和准确率具有很好作用。姚日升等[10]通过模糊分型后,选取有代表性的站点建立回归模型,进行风速订正,有一定效果。胡海川等[11]采用欧洲中期天气预报中心(European Center for Medium-Range Weather Forecasts, 简称ECMWF)3年集合预报产品以及沿海88个站点观测,基于预报众数的方法订正后的6~7级、8~9级风速偏小的误差及TS评分有明显改进,其中72~120 h预报时效的8~9级风速预报的TS评分由0.04增至0.44,能够有效提高中长期时效大量级风速的预报能力。

从以往的研究中可以看到,数值模式的风速预报结果订正后误差会有所减小,大部分研究仅关注风速预报,同时订正风速和风向的研究报道较少,同时过去的研究都是将模式预报产品插值到站点上与同时刻站点实况建立统计关系进行站点订正预报。随着格点化预报业务的发展,每日两次的站点预报在空间和时间精度上已远远不能满足业务需求。国内高分辨率、高频次的格点观测融合资料产品已经出现。为了将格点观测融合产品及时对预报结果进行修订,获得精确度更高的格点预报产品,研究将使用高频次格点实况融合产品,采用不同的误差订正方案,对ECMWF 10 m风预报产品进行订正预报试验,并对订正前后的风场进行检验,找出最优订正方案。

1 资料和订正方案 1.1 资料

10 m风格点预报产品采用ECMWF细网格资料(简称为EC),模式起报时间是08:00(北京时,下同),资料覆盖0~60°N,70°~140°E,时间分辨率为3 h,预报时效0~48 h,空间分辨率为0.125°×0.125°。10 m风格点实况资料(grid observation, 简称GOBS)采用国家气象信息中心HRCLDAS(High Resolution China Meteorological Administration Land Data Assimilation System)业务系统产生的多元融合产品[12-14],覆盖0~60°N,70°~140°E,时间分辨率为1 h,空间分辨为0.05°×0.05°。1 h的10 m风站点观测资料来自2400个国家级地面气象观测站。研究中的订正场空间分辨率为0.05°×0.05°,需要先用双线性插值方法将ECMWF风预报产品插值为0.05°×0.05°网格(direct model output, 简称DMO)。所有资料均取自2017年1月1日—9月30日。

1.2 订正方案

目前主要的模式释用技术都是基于经典MOS(model output statistics)订正思想[15-16],在数值模式未达到完美、计算机速度还有待提高时,该方法能让模式预报效果变得更加准确和有效,业务自动化率大幅提升,减少了预报员工作量。基于MOS思想的细网格风预报产品订正将使用DMO与GOBS进行逐格点建模,根据模型对未来24 h的风场进行预报。为了消除模型预报结果中的系统误差,得到误差更小、准确率更高的预报产品,将利用最新实况资料作为因子融入预报模型,建立多因子格点预报模型进行订正预报。研究中使用8种订正方案对ECMWF风预报产品进行订正,具体订正方案如下。

方案1(简单误差订正):模式风预报产品存在系统性误差,为消除这些系统性误差,根据式(1)求出t时刻格点实况与DMO每个格点误差Et,用简单的误差订正方案将误差订正到t+n(n=1 h, 2 h, …,24 h)时刻的DMO(式(2)),得到最终订正场。

方案2(加权误差订正):由于误差Et对最临近的预报影响最大,随着预报时效的延长,影响可能会减弱,需要用权重来调节,将权重调节的误差订正到t+n时刻的DMO(式(3)),得到最终订正场。权重是根据过去31 d[17]预报检验进行人工调整得到的固定权重。

方案3(回归误差订正):由于很多格点误差变化很大,单一的权重方案订正效果可能有限,采用最小二乘回归的思路对t时刻的误差与t+n时刻的预报误差建模(式(4)),得到权重系数(b0b1)样本时间段为过去31 d。即误差的全格点回归建模,根据模型回报得到订正场。

方案1,2,3都是基于实况的误差订正方案,预报对象与预报因子之间非同时刻。而使用ECMWF同时刻的风预报产品作为因子,根据式(5)建模,即方案4(MOS订正)。由于t时刻的实况与t+n时刻的DMO都对订正结果产生影响,那么将t时刻的实况与t+n时刻的DMO作为预报因子,根据式(6)建模预报后得到最终的订正预报结果,即方案5(双因子MOS订正)。

方案6(滚动误差订正)、方案7(滚动MOS订正)、方案8(双因子滚动MOS订正)分别与方案3,4,5相对应,模型公式采用式(4)、式(5)、式(6)。方案3,4,5中的模型建立完成后,模型不随时间而变化,因子选择和建模方法都完全一致,区别是方案6,7,8中的模型是随预报日期滑动建模,即建模样本(31 d)随预报时间滑动选择,这样模型变为动态模型。以上8种订正方案对比见表 1

表 1 8种订正方案对比 Table 1 Comparison of eight correction methods

(1)
(2)
(3)
(4)
(5)
(6)

其中,Ott时刻的格点实况,YtYt+nt时刻和t+n时刻的DMO, Ett时刻的格点实况与DMO的误差,Yt+nt+n时刻的订正场。W是权重系数为0~1。b0, b1, b2是利用最小二乘法建立的模型系数[18-19]

由于风是矢量,研究中使用两种风场建模方案,方案A针对风速建模(WS模型),风速模型中使用风速Yt+n和误差Et作为因子。方案B针对纬向风(u)和经向风(v)分别建模(UV模型),使用纬向风Yt+n和经向风Yt+n与实况的uv误差Et作为因子,得到uv的订正结果后,再将uv转换为风速和风向。两个方案产生了两种风速订正结果和一种风向订正结果,研究中风速模型采用方案A,风向模型采用方案B。

检验方法采用平均绝对偏差(EMA)和准确率(A):

(7)
(8)

其中,m是总样本量,h是绝对偏差在规定范围内的样本量,EMAm个预报样本与实况样本的平均绝对偏差,Am个样本绝对偏差在风速2 m·s-1或风向22.5°以内的准确率。同时,A也是风速在0~1 m·s-1,1.1~2 m·s-1,2.1~4 m·s-1,4.1~8 m·s-1,8.1~12 m·s-1等范围和风向在0°~22.5°, 22.6°~45°, 45.1°~90°, 90.1°~135°, 135.1°~180°等范围的频率统计结果。

2 试验与分析

预报由两个试验组成,全面测试风场订正的效果。试验1选择2017年1月1—31日作为模型样本,以2017年2月1—28日作为预报样本;试验2选择2017年6月1—30日作为模型样本,以2017年7月1—31日作为预报样本。方案6、方案7、方案8的模型样本为预报日期前31 d的滑动样本。方案2中的权重采用过去31 d预报结果的平均EMA检验为标准,通过人工调整权重直到EMA不再减小,调整后的权重为0.98, 0.90, 0.8, 0.7, 0.6, 0.6, 0.7, 0.8,不同起报时间略有调整(不影响趋势)。业务中EC在08:00后4~5 h可以获得,6 h之后的预报产品才真正有实际预报作用,15 h后20:00的新预报产品产生,因此,针对08:00后6 h(14:00),12 h(20:00)分别进行未来24 h(间隔3 h)的订正预报研究将更有意义。

图 1图 2是试验1和试验2中8种订正场的平均绝对偏差检验对比,图 3是试验2中8种订正场的平均准确率检验对比,图 4是试验2中8种订正场的3 h预报绝对偏差频率分布。从两次试验看,DMO风速绝对偏差为0.81~1.2 m·s-1,风向绝对偏差为26°~35°,方案1~8 3 h风速预报绝对偏差为0.5~0.65 m·s-1,平均订正幅度为42%,风向绝对偏差为14°~23°,平均订正幅度为40%。

图1 试验1中8种订正场的平均绝对偏差检验对比 Fig.1 Comparison of mean absolute error for 8 corrected results in Test 1

图2 试验2中8种订正场的平均绝对偏差检验对比 Fig.2 Comparison of mean absolute error for 8 corrected results in Test 2

图3 试验2中8种订正场的平均准确率对比 Fig.3 Comparison of average hit rate for 8 corrected results in Test 2

图4 试验2中8种方案3 h预报订正场格点绝对偏差频率分布 Fig.4 The grid absolute error frequency of 8 methods for 3 h forecast corrected filed in Test 2

图 3中,DMO的风速准确率在0.89以下,第24小时预报准确率减小到0.82,8种方案中,3 h风速准确率最高是方案8的0.97和0.95,最低是方案1的0.94和0.91。方案1在3 h预报之后的准确率出现了负技巧。图 3中UV模型14:00起报的DMO的3 h风向预报准确率最高0.81,最低减小到0.73附近。图 4中14:00起报的DMO风速绝对偏差为0~1 m·s-1, 1.1~2 m·s-1, 2.1~4 m· s-1的频率为0.71,0.18,0.09。方案1~8的风速绝对偏差为0~1 m·s-1的频率从0.78增加到0.84, 1~2 m·s-1的频率从0.16减小到0.126,2.1~4 m·s-1的频率从0.0 56减小到0.028。4.1~8 m·s-1, 8.1~12 m·s-1的频率同样减小。DMO风向绝对偏差为0°~22.5°, 22.6°~45°, 45.1°~90°的频率为0.66,0.14,0.11。对于UV模型,方案1~8的风向绝对偏差在0°~22.5°的频率从0.73增加到0.76,22.6°~45°和45.1°~90°的绝对偏差频率分别从0.125减小到0.117,0.085减小到0.07。其他范围频率也同样减小。但是方案4和方案7的风速为0~1 m·s-1和风向为0°~22.5°的绝对偏差频率比其他方案增幅小,同时其他区间绝对偏差频率降幅也比其他方案小,UV模型20:00起报结果也保持了同样的变化趋势。是由于方案4和方案7建模和预报中未使用实况因子。

所有方案对3 h预报结果都取得了正技巧订正效果。随着预报时效增加,方案1的绝对偏差快速增加,6 h后预报绝对偏差已超过DMO,准确率低于DMO,说明直接的误差订正在前6 h效果明显。而方案2能将风速、风向的误差订正效果均控制在DMO的绝对偏差之下。可以看到,根据检验得到的权重有很好的控制误差增长的效果。方案3和方案6是方案2的升级,从两个试验看,方案3和方案6无论在风速和风向上都比方案2的绝对偏差明显减小。在前6 h预报中,方案4和方案7预报效果较方案3和方案6效果差,方案3和方案6的风速绝对偏差比方案4和方案7的绝对偏差平均偏小0.1 m·s-1,方案3和方案6的风向绝对偏差比方案4和方案7的平均偏小4.5°。但在9 h以后,方案4和方案7的风速、风向绝对偏差比方案3和方案6的绝对偏差减小明显,风速绝对偏差平均减小0.07 m·s-1,风向绝对偏差平均减小1.1°。方案5和方案8使用了同时刻的模式和初始时刻的格点实况作为因子,风速、风向的绝对偏差优于上述方案,而方案8的效果更胜一筹。

图 5是试验2中8种订正场和DMO的3 h风速预报绝对偏差分布(14:00起报,WS模型),中国区域DMO的绝对偏差大值区(2~8 m·s-1)主要分布在新疆南部和东部地区(与蒙古交界地区)、甘肃河西走廊和内蒙古地区,湖南、湖北以及辽宁和黑龙江地区也有分散的绝对偏差大值区,如果考虑1~2 m·s-1的绝对偏差,除四川南部和云南中西部外,误差几乎覆盖整个中国,经过方案1~8订正后,风速误差都有很大程度的减小,特别是方案8,华南、华东、华北大部分地区的风速订正后的误差基本在1 m·s-1以下,但青藏高原、新疆中部和内蒙古地区仍有1~3 m·s-1的绝对偏差。风向订正的效果不如风速订正的效果明显(图略),订正后,中国区域风向平均绝对偏差有不同程度的减小,但绝对偏差大值区域22.6°~135°依然存在较大面积。

图5 试验2中8种方案的3 h预报订正场和DMO的风速绝对偏差分布(14:00起报,WS模型) Fig.5 The absolute error of 3 h forecast wind speed grid field in Test 2 (forecast started at 1400 BT, WS Model)

从两个试验的格点检验结果看,使用最新实况作为因子,对3~6 h预报效果有明显改进,在所有方案中方案8的效果最好。方案8和方案5在所有预报时次的效果都优于其他方案,方案4和方案7的3 h预报较方案3和方案6效果差,6 h后预报方案4和方案7效果明显好于方案3和方案6,方案2比方案1有明显优势,误差始终低于DMO误差。试验2的绝对偏差总体上要高于试验1,这是因为7月为汛期,天气过程频发,所以预报难度要高于2月。

为了更好地与实况进行对比,将格点订正结果双线性插值到2400个站点上。图 6图 7是试验1和试验2中8种订正结果的站点平均绝对偏差检验对比,图 8是试验2中8种订正结果的站点平均准确率检验对比图,图 9是试验2中8种订正场的站点3 h预报绝对偏差频率分布图。试验1和试验2的GOBS风速8个时次平均绝对偏差为0.77 m· s-1和0.85 m·s-1,风向平均绝对偏差为26°和29°,试验2中GOBS风速2 m·s-1的平均准确率为0.91,风向0°~22.5°的准确率平均为0.61。实况格点插值到站点后比站点观测的误差小,说明实况格点产品比较可靠。两个试验中,DMO的风速8个时次平均绝对偏差为1.23 m·s-1和1.25 m·s-1,风向绝对偏差平均为50°和55°,风速2 m·s-1的平均准确率为0.80。0°~22.5°风向的准确率平均是0.33°。使用方案1订正后,风速和风向的绝对偏差反而增加,准确率降低,整体效果较DMO差,出现了负技巧。方案2能很好地避免方案1的缺陷,其订正效果出现正技巧,风速平均绝对偏差比DMO平均降低,但是风向的订正效果不理想,依然是负技巧。方案3和方案6的预报效果几乎是一致的。图 6中,使用WS模型,14:00起报的方案3和方案6的3~18 h风速绝对偏差均低于DMO,其他时效高于DMO;20:00起报的3~12 h的风速绝对偏差均低于DMO,其他时效均高于DMO。基于UV模型的结果看,方案3和方案6的3~24 h预报风速绝对偏差都低于DMO, 风向绝对偏差与DMO基本一致,没有正技巧。

图6 试验1中8种订正结果的站点平均绝对偏差检验对比 Fig.6 Comparison of site average absolute error for 8 corrected results in Test 1

图7 试验2中8种订正结果的站点平均绝对偏差检验对比 Fig.7 Comparison of site average absolute error for 8 corrected results in Test 2

图8 试验2中8种订正结果的站点平均准确率检验对比 Fig.8 Comparison of site average hit rate for 8 corrected results in Test 2

图9 试验2中8种方案3 h预报订正场的站点绝对偏差频率分布 Fig.9 The site absolute error frequency of 8 methods for 3 h forecast corrected field in Test 2

图 6~8可知,方案4~8在两个试验中使用WS模型的站点预报效果基本一致,风速24 h平均绝对偏差为1.06 m·s-1,平均准确率为0.86;使用UV模型的风向订正结果比DMO有小幅度提升,24 h平均绝对偏差为48°,仅比DMO平均提高2°。使用UV模型的风速预报订正结果在不同时次的站点效果不同,使用UV模型进行风速订正后的站点结果没有使用WS模型的订正效果稳定。由图 9也可以看到,格点实况插值风速在0~1 m·s-1的频率最高,平均为0.6~0.74,DMO为0.49~0.52,订正后,方案4、方案5、方案7、方案8的0~1 m·s-1绝对偏差频率增加,2.1~4 m·s-1和4.1~8 m·s-1的绝对偏差频率降低。采用UV模型的风速绝对偏差频率提升幅度不大,误差大的风速没有得到有效订正。

从两个试验的站点检验结果看,格点实况产品较可靠,插值到站点的误差最小,准确率最高。方案1的订正效果最差,除部分3 h预报时效外基本上都会对原始DMO结果造成负效果。方案2的订正效果比方案1有较大改进,误差保持在DMO误差附近,但没有正技巧,失去了订正的意义。方案3和方案6在大部分时效的订正效果有较大改进,比DMO误差减小很多,但依然出现负订正现象。从方案4、方案5、方案7、方案8的站点检验结果看,其订正效果基本一致,方案7和方案8略微有优势。站点的风向订正效果不是很明显,订正难度比较大,另外使用UV模型进行风速订正后的站点结果较使用WS模型订正效果差,稳定性也不好。由于风的局地效应,虽然使用了5 km的格点实况,但DMO格点预报插值结果与订正后的插值结果依然与站点实况有一定差距。

3 结论与讨论

研究使用国家气象信息中心HRCLDAS业务系统产生的高频次格点风场融合产品作为实况资料,采用8种误差订正方案,对ECMWF10 m风预报产品进行订正试验,试验选择2017年1月1日—2月28日以及2017年6月1日—7月31日两个时间段进行模拟,并对订正前后的结果进行检验分析,得到以下主要结论:

1) 从格点检验结果看,使用最新实况作为因子,对3~6 h的预报效果有明显改进,方案8订正效果最好,方案5次之。从订正场绝对偏差空间分布看,方案8订正后,华南、华东、华北大部分地区的风速误差基本低于1 m·s-1,特别是误差大值区明显改善,同时风向误差也有所减小,但青藏高原、新疆中部和内蒙古地区仍有部分1~3 m·s-1的绝对偏差。

2) 从站点检验结果看,格点实况插值到站点的风速、风向误差最小,准确率最高。对于风速,方案1的订正效果最差,方案2的订正效果较方案1有较大改进,方案3和方案6在大部分时效具有订正正技巧。方案4、方案5、方案7、方案8的订正效果基本一致,方案7和方案8略有优势。方案8同样为最优。对于风向,站点订正效果有一定提高,但提高幅度不大。

3) 总体上,基于模式和实况因子的全格点滑动建模(方案8)订正效果最优。试验2的误差总体上高于试验1,主要原因是7月为汛期,天气过程频发,风场变化频繁,预报难度高于2月。

由于风的局地效应,订正场插值到站点后依然与站点实况有一定差距,如果开展站点和格点预报结果融合技术, 会取得更好的格点站点一体化预报效果。

References
[1]
Richardson L F.Weather Prediction by Numerical Process.London: Cambridge University Press, Reprinted by Dover, 1922: 236.
[2]
张萌, 于海鹏, 黄建平, 等. GRAPES_GFS 2.0模式系统误差评估. 应用气象学报, 2018, 29(5): 571-583.
[3]
闵晶晶. BJ-RUC系统模式地面气象要素预报效果评估. 应用气象学报, 2014, 25(3): 265-273. DOI:10.3969/j.issn.1001-7313.2014.03.002
[4]
黄丽萍, 陈德辉, 邓莲堂, 等. GRAPES_Meso V4.0主要技术改进和预报效果检验. 应用气象学报, 2017, 28(1): 25-37.
[5]
许杨, 陈正洪, 杨宏青, 等. 风电场风电功率短期预报方法比较. 应用气象学报, 2013, 24(5): 625-630. DOI:10.3969/j.issn.1001-7313.2013.05.012
[6]
陈豫英, 刘还珠, 陈楠, 等. 基于聚类天气分型的KNN方法在风预报中的应用. 应用气象学报, 2008, 19(5): 564-572. DOI:10.3969/j.issn.1001-7313.2008.05.007
[7]
曾晓青, 赵声蓉, 段云霞. 基于MOS方法的风向预测方案对比研究. 气象与环境学报, 2013, 29(6): 140-144.
[8]
王彬滨, 吴息, 余江, 等. 谐波分析方法在沿海风速数值预报订正的应用. 热带气象学报, 2016, 32(5): 752-758.
[9]
石岚, 徐丽娜, 郝玉珠. 基于风速高相关分区的风电场风速预报订正. 应用气象学报, 2016, 27(4): 506-512.
[10]
姚日升, 涂小萍, 蒋璐璐, 等. 浙江近海冬季大风风速推算和ASCAT风速订正方法探讨. 气象, 2016, 42(5): 621-627.
[11]
胡海川, 黄彬, 魏晓琳. 我国近海洋面10 m风速集合预报客观订正方. 气象, 2017, 43(7): 856-862.
[12]
韩帅, 师春香, 姜志伟, 等. CMA高分辨率陆面数据同化系统(HRCLDAS-V1.0)研发及进展. 气象科技进展, 2018, 8(1): 102-108.
[13]
韩帅, 师春香, 姜立鹏, 等. CLDAS土壤湿度模拟结果及评估. 应用气象学报, 2017, 28(3): 369-378.
[14]
张涛, 苗春生, 王新. LAPS与STMAS地面气温融合效果对比试验. 高原气象, 2014, 33(3): 743-752.
[15]
Klein W H, Lewis B M, Enger I. Objective prediction of five-day mean temperatures during winter. Journal of Atmospheric Sciences, 1959, 16(6): 672-682.
[16]
Glahn H R, Lowry D A. The use of model output statistics (MOS) in objective weather forecasting. J Appl Meteor, 1972, 11(8): 1203-1211. DOI:10.1175/1520-0450(1972)011<1203:TUOMOS>2.0.CO;2
[17]
吴启树, 韩美, 郭弘, 等. MOS温度预报中最优训练期方案. 应用气象学报, 2016, 27(4): 426-434.
[18]
刘还珠, 赵声蓉, 陆志善, 等. 国家气象中心气象要素的客观预报——MOS系统. 应用气象学报, 2004, 15(2): 181-191. DOI:10.3969/j.issn.1001-7313.2004.02.006
[19]
车钦, 赵声蓉, 范广洲. 华北地区极端温度MOS预报的季节划分. 应用气象学报, 2011, 22(4): 429-436. DOI:10.3969/j.issn.1001-7313.2011.04.005